人工智能內容生成（AIGC）技術在近一年來引起了科技界的廣泛關注，因為它對各個行業有著顛覆性的影響。但是，要支持AIGC技術，需要消耗很大的功率和算力，隨著摩爾定律接近極限，新的計算架構和信息器件成為了學術界和產業界的研究重點。

　　高精尖創新中心由北京市教委支持，依托清華建，現為第二期，與北大共建，有眾多設備和工作人員，有一百多人的工程師隊伍，包括芯片設計、測試及其他支撐人員。除研發高端芯片外，還為北京市提供測試平臺，服務清華各院系，也滿足周邊中關村芯片相關企業的測試需求。

　　清華大學吳華強、高濱團隊在氧化物憶阻器的科研領域有著十多年的積累，更重要的是，他們在邊緣端的人工智能訓練和推理方面實現了領先的突破，為未來大模型的架構提供了全新的研究范式。在本次采訪中，高濱老師分享了自己團隊最新的研究成果，并深入分析了在大模型中的潛在應用。

　　此外，他還就器件的刻畫和驗證提出了發展性、建設性的意見。這對于從事憶阻器、類腦計算等領域的科研工作者來說，是一種不同的思路、一種先進的系統和器件協同的測試、表征方法，可以助力科研、加快科研進展。

　　新型器件創新支持大模型

　　張欣：您去年參加了 IEDM2023 會議，能否分享下感受。

　　高老師：IEDM 是集成電路領域三大緊急會議之一，因疫情前兩年線上開，去年終于現場開。感覺國際學術領域有變化，摩爾定律下行難度增大。國際上雖有大公司論文研究更先進工藝，如堆疊三維基層晶體管，但門檻高，只有少數公司如 imac 能做。新器件工藝方面，看到新方向單片三維集層，與較熱的 chiplet 平行，在一個襯底上盡量將多器件三維堆疊，器件間帶寬更高，是新趨勢，可用新型 TFT 材料、薄膜氧化物、二維材料等嘗試做成后端兼容器件。去年 IEDM 還有專門討論大模型的 專題環節，因大模型很火，國際上幾個大公司都在研究如何用新器件、新工藝去支持大模型，技術路線各不相同，有傳統的，也有嘗試新器件新工藝的。

　　張欣：現在科研領域都這么卷了，大模型更多是商業行為，都卷到器件新型器件創新去支持大模型了。

　　高老師：沒錯，大模型不僅在算法和應用上，底層算力支撐也非常重要，這兩年 IEDM 特別關注提高算力、存儲帶寬和權重密度。我們組 2023 年在 IEDM 上有四篇文章、四個報告，都與憶阻器方向相關，也涉及將憶阻器與其他器件進行單片集成。

　　張欣：距上次專訪大概兩年半，這期間您肯定有很多科研成果和進步，能否介紹下這期間工作的突破。

　　高老師：這兩年我們盡量將存算一體技術往應用推進，尋找應用牽引，主要布局三件事。一是與企業合作，如海迪士，嘗試在實際邊緣智能場景做芯片設計，除芯片設計，還研究在實際場景下的可靠性，發現器件電阻狀態保持在很多實際場景中存在隨機漂移的 relaxation 效應，需投入精力抑制隨機漂移，以滿足未來應用需求。二是我們需要大模型，要設法提高密度，因為之前小卷積網絡加速不需要高密度，但大模型確實需要，這是工藝上的研究。三是做更前沿、創新的內腦學習，去年十月我們在 Science 上發過一篇相關論文，還布局了幾個難度更大的學習。

　　看整體算法效果，要關注整體而非器件個體

　　張欣：希望未來一兩年能看到高老師的進展，一方面往產業化走要解決可靠性、集升度問題，同時布局新型真正類腦計算的前沿方向。

　　高老師：摩爾經濟黃金時代，不太注重器件與系統協同，只要把器件做快做小，芯片性能就上去了，但后摩爾時代要將器件與系統做協同設計，根據系統需求優化器件。典型的是存算一體，最終目的是人工智能加速，而人工智能對器件性能要求復雜，不是單純把器件組織調穩就能達到系統要求。如加速深度神經網絡，其中卷積層、連接層等各種層對器件要求都不同，很難抽象出器件指標來確保做出的芯片很好，更多是做成陣列或有一定功能的簡單電路，通過這個去測試，最終測的還是器件特性，反饋成電路甚至系統，將算法神經網絡算法直接運行在陣列上?？凑w算法效果，關注整體而非器件個體，最后落實在器件上做優化，調節器件中電子離子的輸運。

　　張欣：這是全新概念，對于產業界落地有挑戰，產業界要求器件種類越少越好，參數越集中越好，以便大規模降低成本和提高良率，擔心實際商業應用的路還很遠。

　　高老師：也沒有那么遠，可以先找到較容易的場景，將各種指標和可靠性清晰拆解，在小地方先用起來，讓商業之路走起來，一是可以反饋給學術界下一步研究方向，二是在一些地方用起來后，讓產業界和學術界更有信心，這也是這兩年開始考慮與幾個企業一起往產業化推的原因。高精尖中心的定位是把學校高精尖技術往產業化推，學校與企業中間有很大差距，希望高精尖中心能在產業創新方面盡量填平這個差距。

　　張欣：您團隊是國內做主機憶阻器或氧化物憶阻器的頂尖團隊，想了解未來氧化物憶阻器的突破點及器件本身性能指標細節方向有無可能突破。

　　高老師：未來有好幾個突破點，一是可靠性，希望器件能實現多比特存儲提高計算效率，但中間組態穩定性限制其應用，對測試是挑戰；二是密度，需與 M3D 高密存儲器拼密度，嘗試做成 HBM 方式堆多片阻阻器，還需在片內把憶阻器尺寸做小，涉及憶阻器與晶體管的匹配及共同優化工藝，需與很多公司合作。大模型對功耗和成本需求高，預計憶阻器用到大模型里能效比有數量級提升，端測中憶阻器高能效有很多優勢。

　　張欣：國內有很多研究者做神經形態計算方面研究，感覺與憶阻器像，最初認為是卷積神經網絡，仔細研究是脈沖神經網絡，詢問兩種體系關系及未來是否融合或演化出不同應用和產品。

　　高老師：憶阻器有三個階段，做存儲、存算一體加速人工神經網絡、類腦計算，本質是利用其動力學特性，可能產生更高階智能和更復雜學習推理功能，在學術界值得探索，但短期落地難，因大規模實現無論工藝還是算法都有很多挑戰，學校做探索是好方向。

　　張欣：提到憶阻器離子輸運的動力學過程，想起曾有老師對憶阻器時間參數特性要求高，其氧控位控制精細，形成和消除導電吸絲快，測試要求高，需皮秒級脈沖激勵和電流讀取，說不定未來可用于高速器件和高速場景。

　　高老師：還在做更成熟的高速存儲方向，用憶阻器研究憶阻器，其讀寫速度更快，可多值存儲，帶寬和速度提高，應用空間充滿期待。

　　測試測量設備未來與時俱進，充滿想象力

　　張欣：談測試方面的挑戰和需求，提到憶阻器測試的幾個轉變，從單器件到小陣列，測試精度從低到高，涉及頻繁讀寫操作，AC 和 DC 頻繁切換，請高老師詳細剖析一下測試需求。

　　高老師：希望監控電阻狀態，需高精度測量，以前 memory只關注兩個窗口，現在要關注絕對電阻數值。動態方面要調電阻值，加寫脈沖讀取一段時間狀態，涉及很多讀寫切換，速度越快越好，習慣在幾納秒時鐘周期內完成切換。用傳統毫秒量級切換，器件測試結果無法直接轉化到芯片中，所以器件測試時要模擬芯片實際工作狀態。

　　張欣：作為測試測量儀器公司，我們還有很長路要走，您能給我們提些如何更好服務中國科研行業和市場的建議嗎？

　　高老師：我能想到的就是兩件事吧，一是多與中國高校、研究院所交流，了解更多需求，有助于開發更好產品；二是與時俱進，有沒有可能將 AI 技術融入測試設備，使交互更方便，做出更多新功能，這是所有電子設備大趨勢?；蛟S將來一臺測試設備就是一臺智能設備，測試設備里用到的憶阻器的邊緣訓練和學習能很快實現。

　　上述為本次訪談內容，針對憶阻器領域，后續高濱老師還有關于大模型時代的存算一體芯片專題的相關詳細課程，敬請期待：

• 背景：大模型與存儲墻

• 概念：存算一體芯片技術

• 進展：存算一體器件、工藝與芯片

• 展望：存算器件的發展及測試需求

更多精彩內容歡迎點擊==>>電子技術應用-AET<<